UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA GEOINFORMATIKY
Martina HOVORKOVÁ
ANALÝZY VLHKOSTNÍCH PARAMETRŮ A BIOMASY VEGETAČNÍHO KRYTU POMOCÍ METOD DPZ
Diplomová práce
Vedoucí práce: Mgr. Miloslav JANČÍK
Olomouc 2009
Prohlašuji, ţe jsem zadanou diplomovou práci řešila sama, a ţe jsem uvedla veškeré pouţité podklady. V Olomouci, 5. května 2009
....................................... Podpis
Ráda bych na tomto místě poděkovala Mgr. Miloslavu Jančíkovi za odborné vedení diplomové práce a RNDr. Vilému Pechancovi, Ph.D. za cenné rady a připomínky.
Zadání
Obsah Obsah ................................................................................................................................ 5 Úvod.................................................................................................................................. 6 1. Cíle .............................................................................................................................. 7 2. Vegetační kryt ............................................................................................................. 8 2.1 Vlhkost vegetace ................................................................................................... 8 2.2 Biomasa ................................................................................................................ 9 2.3 Detekce pomocí DPZ .......................................................................................... 10 3. Metody ...................................................................................................................... 13 3.1 Spektrální indexy ................................................................................................ 13 3.1.1 Poměrové indexy .......................................................................................... 13 3.1.2 Vzdálenostní indexy ..................................................................................... 17 3.1.3 Ortogonální transformace ............................................................................. 18 3.2 Fuzzy klasifikace ................................................................................................ 19 4. Vlastní zpracování .................................................................................................... 21 4.1 Zájmové území ................................................................................................... 21 4.2 Vstupní data ........................................................................................................ 22 4.2.1 Landsat .......................................................................................................... 23 4.2.2 Pouţitý software ........................................................................................... 24 4.2.3 ERDAS IMAGINE ....................................................................................... 25 4.2.3.1 Model Maker........................................................................................ 25 4.2.4 Předpracování ............................................................................................... 26 4.3 Modelování ......................................................................................................... 27 4.3.1 Spektrální indexy .......................................................................................... 27 4.3.2 Relativní vlhkost a biomasa .......................................................................... 32 4.4 Odhad mnoţství biomasy.................................................................................... 35 4.4.1 Stanovení biomasy ........................................................................................ 35 4.4.2 Klasifikace snímku ....................................................................................... 38 4.5 Vývoj vlhkosti a biomasy ................................................................................... 40 4.6 Závislost mezi vlhkostí a biomasou .................................................................... 41 4.7 Vizualizace.......................................................................................................... 42 5. Výsledky ................................................................................................................... 43 6. Diskuze ..................................................................................................................... 44 7. Závěr ......................................................................................................................... 45 8. Summary ................................................................................................................... 46 Pouţitá literatura ............................................................................................................. 47 Seznam příloh ................................................................................................................. 50
5
Úvod Vegetační kryt je nedílnou součástí naší krajiny. Monitorování a následné analýzy vegetace tvoří významnou roli pro hodnocení stavu, vývoje a vůbec pro pochopení úlohy vegetačního krytu v rámci celého ekosystému Země. Jednou z moţností studia této problematiky je pouţití metod DPZ (dálkového průzkumu Země). Vegetační kryt je často prvním povrchem, který odráţí energii vyuţívanou touto metodou. Pomocí ní lze získat ucelené informace jak v lokálním, tak v globálním měřítku. Tato práce se zabývá studiem dvou klíčových charakteristik vegetačního krytu, vlhkostí a mnoţstvím nadzemní biomasy.
6
1. Cíle Cílem diplomové práce je poskytnout přehled o analýzách vlhkostních parametrů a biomasy vegetačního krytu pomocí metod dálkového průzkumu Země. V případě analýzy vlhkosti jde o klasifikaci vlhkosti vegetace a v případě analýzy biomasy o klasifikaci a odhad mnoţství nadzemní biomasy. Součástí práce je realizace těchto analýz na zájmovém území.
7
2. Vegetační kryt Vegetační kryt je důleţitou součástí zemského povrchu a podílí se na utváření a fungování
celého
ekosystému
Země.
Můţeme
ho
popsat
nejrůznějšími
charakteristikami – typem, sloţením, stavem, výškou, plochou, věkem apod. Z hlediska studia vegetace lze podle Dobrovolného (1998) metody DPZ vyuţít v celé řadě aplikací. Obecně jde o mapování druhů vegetace, odhad mnoţství zelené biomasy, zjišťování vodního obsahu v listech, mapování zdravotního stavu rostlin nebo monitorování průběhu fenofází (fenologie). V zemědělství to mohou být například kvantitativní odhady výměry ploch zemědělských plodin, monitorování aktuálního stavu vegetace a zemědělských plodin, modely předpovědi výnosu vybraných plodin nebo odhady jejich celkové produkce. V lesnictví se často pouţívají při zjišťování lesnické statistiky (plocha, typ, třída, druh, věkové sloţení, objem dřevní hmoty, zdravotní stav), monitorování procesů zalesňování, mapování lesních ekosystémů nebo při modelování procesů v lesních ekosystémech (změny ve struktuře a dynamika změn, stupeň ohroţení). Tato práce se zabývá studiem vegetace z pohledu vlhkosti a biomasy. Je zaměřena na jejich projev na satelitních snímcích, moţnost klasifikace, zjištění vývoje a závislosti mezi nimi.
2.1 Vlhkost vegetace Vlhkost vegetace je dána obsahem vody v jednotlivých vegetačních druzích. Průměrný obsah se pohybuje průměrně okolo 60%. Konkrétně u obilovin je to 12-14%, u dřevin 40% a u vodních rostlin aţ 90%. Obsah vody se ale během roku mění (nejvíce vody rostliny obsahují ve vegetačním období), mění se i během ţivota rostliny (stářím se obsah vody zmenšuje), a důleţitá je samotná dostupnost vody. Celkový obsah vody je výsledkem schopnosti rostlin vodu přijímat a současně vydávat. Pokud je příjem a výdej vody vyrovnaný, vodní bilance rostlin je v tzv. rovnováţném stavu. Často ale dochází k jeho porušení, a to na straně výdejové sloţky. Nadměrný výpar vede k vytvoření vodního deficitu, coţ je mnoţství vody chybějící rostlině k jejímu plnému nasycení. V důsledku toho dochází k vadnutí rostliny.
8
Přechodný vodní deficit se vyskytuje v poledne za slunných dní a v noci se pak vyrovnává. U rostlin s nízkou schopností regulace vodního provozu velmi silně kolísá obsah vody podle vlhkosti okolí, střídání sucha a vlhka. To je případ např. niţších rostlin, lišejníků nebo mechů. Mnoţství vydané vody jednotkou listové plochy za jednotku času se nazývá intenzita transpirace. Mění se během dne (nejvyšších hodnot dosahuje před polednem, v poledne se sniţuje a odpoledne opět stoupá a večer klesá). Udává se v g na jednotku plochy nebo hmotnosti transpirujících listů za jednotku času. Hodnoty se pouţívají pro odhad spotřeby vody rostlinou (např. 1 ha vzrostlého bukového lesa vypaří denně 25 000–30 000 kg vody). (upraveno podle [48])
2.2 Biomasa Biomasou v nejširším smyslu je hmota všech organismů na Zemi. Zahrnuje tedy jak jejich tělesné schránky, tak i ţivé či neţivé produkty jejich činnosti (obaly, exkrementy, semena, dřevo) [30]. Ekologie definuje biomasu jako mnoţství organické hmoty přítomné na určité ploše v určitém časovém okamţiku [40]. Existuje celá řada termínů pro podmnoţiny biomasy podle jejího původu nebo způsobu vzniku jako například fytomasa, zoobiomasa, dendromasa apod. [30] Základním producentem biomasy jsou rostliny, které jsou díky chlorofylu schopné fotosyntézou produkovat bílkoviny, které jsou základním stavebním kamenem všech ţivých organismů. [30] Biomasa rostlin je označována jako fytomasa, biomasa dřevin jako dendromasa. Je vylišována biomasa jednotlivých funkčních sloţek ekosystémů (rostlin, konzumentů apod.), pater (dřevin, keřového patra, bylinného patra atd.) či částí rostlinných těl (kmenů, větví, listí, kořenů apod.). [40] U rostlin se nejčastěji vyjadřuje hmotností sušiny, která je vztaţena k jednotce plochy (v lesních ekosystémech nejčastěji v kg/ha nebo v t/ha) [40]. U rostlin je rozlišována biomasa podzemní nebo nadzemní, biomasa ţivá nebo mrtvá (stařina). [29] Celková hmotnost biomasy je obvykle stanovena váţením, popřípadě téţ odhadem z objemu. [29]
9
2.3 Detekce pomocí DPZ Sledování a následné analýzy vegetačního krytu je jednou z nejčastějších úloh dálkového průzkumu Země. Po vypuštění druţice Earth Resources Technology Satellites (známé jako Landsat) v roce 1972 byl vegetační kryt vůbec prvním předmětem výzkumu v rámci managementu přírodních zdrojů, vyuţívajícího druţicové obrazové záznamy. [47] Z hlediska vyuţití v dálkovém průzkumu Země lze rozlišit 6 základních oblastí elektromagnetického záření (Dobrovolný, 1998): ultrafialové záření (0,1–0,4 µm) viditelné záření (0,4–0,7 µ) infračervené záření blízké (0,7–1,4 µm) infračervené záření střední (1,4–3 µm) tepelné záření (3 µm aţ 1 mm) mikrovlnné záření (1 mm aţ 1 m) Na základě odlišného chování vegetace v různých částech elektromagnetického spektra, lze vypozorovat rozličné charakteristiky [47] jakými mohou být i vlhkost a biomasa. Spektrální chování vegetačního porostu je zaloţeno na mnoţství chlorofylu a vodní absorpci listů (Quinn, 2001). Typ, struktura listů, vodní obsah, zdravotní stav rostlin a vlastnosti půdního substrátu tak určují projev vegetace na satelitních snímcích, který je vyjádřen odlišným barevným odstínem. Podle Dobrovolného (1998) se spektrální chování vegetace vyznačuje především výrazným nárůstem odrazivosti v blízké infračervené části spektra. Jestliţe na snímcích ve viditelné části spektra odráţí povrchy pokryté vegetací v průměru kolem 20 % dopadajícího záření, v blízké infračervené části spektra je to v průměru kolem 60 %. Záření ve viditelné části spektra je výrazně pohlcováno především zeleným barvivem (chlorofylem). V důsledku toho jsou povrchy pokryté vegetací na černobílých snímcích poměrně tmavé. Protoţe pohlcování záření chlorofylem je nejintenzivnější v modré a červené části viditelného záření a méně intenzivní v zelené části kolem 550 nm, jeví se nám vegetace jako zelená.
10
V oblasti kolem 700–800 nm dochází k výraznému nárůstu odrazivosti a v blízké infračervené části spektra (700–1300 nm) je tato odrazivost formována především uspořádáním buněk těch částí rostlin, které jsou nejvíce vystaveny dopadajícímu slunečnímu záření – tedy odrazivostí listů. Protoţe buněčná struktura různých druhů rostlin je odlišná, také jejich odrazivost se liší a toho lze vyuţít pro rozpoznávání druhů rostlin. Na infračervených snímcích lze například poměrně snadno odlišit porosty listnatého a jehličnatého lesa. Porosty listnatého lesa jsou na snímcích podstatně světlejší. V intervalu spektra 1300–3000 nm je odrazivost vegetace formována především přítomností vody v orgánech rostlin, takţe vyšší obsah vody sniţuje jejich odrazivost.
Obr. 1: Spektrální křivka vybraných povrchů (upraveno podle Lillesand a Kieffer (1994))
Na obr. 1 je spektrální křivka odrazivosti vegetace, která se v oblasti viditelného a blízkého infračerveného záření dělí do tří hlavních částí, které odpovídají faktorům určujícím velikost spektrální odrazivosti. oblast pigmentační absorpce (400–700 nm) oblast buněčné struktury (700–1300 nm) oblast vodní absorpce (1300–3000 nm) Naznačené obecné rysy spektrálního chování vegetační sloţky krajiny bývají modifikovány v průběhu vegetačního období a mění se také v důsledku stresů, kterým můţe být porost vystaven. Obecně u rostlin poškozených např. mrazem, usychajících na konci vegetačního období či u rostlin poškozených chemickými látkami dochází k poklesu odrazivosti v blízké infračervené části spektra a k vzrůstu v části červené.
11
Protoţe se změna projeví nejdříve v infračervené části spektra, je moţné na snímcích zaznamenat změnu v kondici vegetačního krytu dříve něţ se projeví v přírodě např. změnou barvy listů. V tab. 1 jsou uvedeny moţné aplikace podle spektrálních pásem druţic Landsat. Lze vyčíst, ţe pro detekci charakteristik zabývajícími se tato práce se nejčastěji pouţívá pásmo 3, 4 a 5.
Tab. 1: Aplikace podle spektrálních pásem skeneru TM a ETM+ (upraveno podle [15] a [35])
Pásmo 1 2 3 4 5 6 7
Hlavní aplikace mapování pobřeţí, rozlišování půdy a vegetace, klasifikace lesů, identifikace antropogenních tvarů sledování zdravotního stavu a rozlišování vegetace, identifikace antropogenních tvarů identifikace druhů rostlin a antropogenních tvarů sledování půdní vlhkosti, rozlišování vodních těles, určování vegetačních typů, jejich vitality a mnoţství biomasy sledování obsahu vlhkosti vegetace teplota povrchu, diferenciace oblaků, sledování vegetačního stresu, půdní vlhkosti a vulkanismu rozlišování minerálů a hornin, obsah vlhkosti vegetace
12
3. Metody Analýzy vlhkostních parametrů a biomasy byly řešeny na základě hodnocení spektrálních (vegetačních) indexů, pomocí kterých lze zvýraznit vegetační kryt a jeho vlastnosti. Metodou pro hodnocení indexů byla tzv. fuzzy klasifikace. Byla zvolena proto, ţe umoţňuje relativní hodnocení, ke kterým nejsou potřeba referenční data z terénního měření. Pro odhad mnoţství biomasy a ke zjištění vývoje a závislosti mezi vlhkostí a biomasou vegetačního krytu byla dále vyuţita regresní analýza a statistické ukazatele – průměrné hodnoty a modusy.
3.1 Spektrální indexy Spektrální index je výsledek aritmetické operace s dvěma či více pásmy, jehoţ cílem je na základě znalosti spektrálního chování, zvýraznit zkoumanou sloţku a její vlastnosti. [37] Index, který je nejvhodnější pro pouţití v určitém prostředí, můţe být stanoven pomocí kalibrace s vyuţitím vzorového měření. Jestliţe data z tohoto měření nejsou k dispozici, mohou být zvolené indexy uţitečné jako indikátory relativního zastoupení zkoumané sloţky (upraveno podle [6] a [47]). Eastman (2001) dělí spektrální indexy na poměrové (slope-based), vzdálenostní (distance-based) a tzv. ortogonální transformace. K hodnocení tohoto rozdělení je třeba vzít v úvahu pozici vegetačních pixlů v dvourozměrovém grafu (neboli bi-spektrálním plotu) odrazivosti červeného ku infračervenému pásmu.
3.1.1 Poměrové indexy Poměrové indexy vyuţívají poměr odrazivosti jednoho pásma k odrazivosti jiného pásma, u vegetace je to obvykle červené a blízké infračervené pásmo. V angličtině je pro to pojmenování slope, coţ znamená sklon. Při porovnání výsledných hodnot indexu je vlastně srovnáván sklon linií procházejících počátkem s hodnotami odrazivosti pixelů vykreslených v rozptylogramu, jedno pásmo jako osa X, druhé pásmo jako osa Y.
13
Obr. 2: Rozptylogram poměrových indexů (upraveno podle [6])
Poměrové indexy jsou jednoduché lineární kombinace, které pouţívají pouze informace o hodnotách odrazivosti vybraných pásem. [47]. Těchto indexů existuje celá řada. Jako příklad lze jmenovat: RATIO (Simple Ratio), RVI (Ratio Vegetation Index), NDVI (Normalized Difference Vegetation Index), TVI (Transformed Vegetation Index), CTVI (Corrected Transformed Vegetation Index), TTVI (Thiam´s Transformed Vegetation Index), RVI (Ratio Vegetation Index), nebo NRVI (Normalized Ratio Vegetation Index), MSI (Moisture Stress Index), NDWI (Normalized Difference Water Index). Dále existuje mnoho dalších, které jsou modifikacemi výše uvedených. V této práci byly vybrány ty, které se od sebe nějakým způsobem liší v přístupu výpočtu. Na základě studia literatury byly vybrány vhodné indexy pro detekci vlhkosti a zvlášť pro detekci biomasy. Pro zjišťování charakteristik vlhkosti vegetačního krytu se nejčastěji vyuţívá infračervených pásem – pásem 4 a 5. Pro analýzu vlhkosti byly tedy z poměrových indexů vybrány ty, co splňují tento předpoklad – index MSI a NDWI. Protoţe pro praktickou část byly pouţity snímky z druţic Landsat, tak jsou následující rovnice indexů předvedeny na pásmech jednoho z jeho senzorů - senzoru TM (Thematic Mapper). MSI (Moisture Stress Index) je vyjádřen podílem pásma 5 a 4, čili blízkého infračerveného a infračerveného pásma. Výzkumy prokázaly, ţe poměrem těchto pásem lze velmi dobře zjistit vodní obsah v listech rostlin. Díky tomu bývá často vyuţit k detekci sucha a dalších stresových podmínek vegetace. [42]
14
NDWI (Normalized Difference Water Index), někde uváděn jako NDMI (Normalized Difference Moisture Index) [12], je index odráţející rozdíl v rozloţení mnoţství vody. Stejně jako MSI vyuţívá infračervené a blízké infračervené pásmo, u kterého je známo, ţe záření v jeho vlnových délkách je pohlcováno vodou. Je proto vhodný i při zjišťování vodního obsahu rostlin. Hodnota indexu se zvyšuje se vzrůstajícím obsahem vody, celkově se však hodnoty pohybují v intervalu (-1; 1), (upraveno podle [38] a [39]). NDWI je vyjádřen rovnicí:
Pro studium biomasy jsou v případě poměrových indexů nejčastěji jako vhodná pásma uváděna pásma 3 a 4 (červené a infračervené). Pro ně také existuje nejvíce indexů a jejich modifikací. Na základě experimentů, které se zabývaly touto problematikou, byly vybrány čtyři indexy, u nichţ se ukázalo, ţe dosahují vzájemně rozdílných výsledků – index RATIO, RVI, NRVI a zřejmě nejznámější NDVI. NDVI (Normalized Difference Vegetation Index) je vegetační index vytvořený za účelem oddělení zelené vegetace od půdního podloţí. Byl navrhnut Rousem et al. (1974) v [6], který ho aplikoval uţ na snímky ze senzoru MSS (Landsat 4). Je vyjádřený jako podíl rozdílu a součtu blízkého infračerveného a červeného pásma:
Je to nejčastěji vyuţívaný index, protoţe má schopnost minimalizovat vlivy topografie a vytváří lineární stupnice měření s normálním rozdělením. Hodnota NDVI pro daný pixel se pohybuje vţdy v intervalu (-1; 1), a to podle obsahu vegetační sloţky. Obecně platí, ţe čím niţší hodnota, tím méně vegetace. Plochy se záporným NDVI znázorňují vodu, led nebo sníh a v odstínech šedi je vyznačují nejtmavší pixely. S rostoucí hodnotou NDVI lze rozlišit oblačnost, holou půdu, řídkou
15
vegetaci, středně hustou aţ po velmi hustou vegetaci, která nabývá nejvyšších hodnot a na snímku je znázorněna nejsvětlejšími pixely, (Dobrovolný, 1998). RATIO (Simple Ratio) je vegetační index slouţící ke stejnému účelu jako NDVI – k oddělení zelené vegetace a půdy, který byl také navrhnut Rousem et al. (1974) v [6]. Index RATIO je vytvořen jednoduchým dělením hodnot odrazivosti v blízkém infračerveném a červeném pásmu:
Výsledek jasně zachycuje kontrast vegetace mezi červeným a infračerveným pásmem. Vysoká hodnota indexu je kombinací nízké odrazivosti červené (kvůli absorpci chlorofylu) a vysoké odrazivosti infračervené (výsledek struktury listů) části elektromagnetického spektra. Navíc je minimalizován problém různého osvětlení reliéfu, protoţe index je vytvořen jako poměr. Protoţe tento index umoţňuje dělit nulou, výsledné měření není lineární. Snímky podílového vegetačního indexu pak nemají normální rozdělení, coţ komplikuje aplikování nějakých statistických procesů. RVI (Ratio Vegetation Index) je zjevně převrácený index RATIO, který byl navrţen Richardsonem a Wiegandem (1977) v [6]. Jeho rovnice je:
NRVI (Normalized Ratio Vegetation Index) je modifikací RVI (Baret a Guyot, 1991) v [6], jehoţ rovnice navíc vyuţívá konstantu 1:
Tato normalizace má podobný smysl jako u NDVI, např. zmírnění vlivů topografie, osvětlení atmosféry, a tvoří statisticky vhodné normální rozdělení.
16
3.1.2 Vzdálenostní indexy Další skupinou spektrálních indexů jsou tzv. vzdálenostní indexy, vyuţívající navíc charakteristiky odrazivosti půdního podkladu. Podle [6] sem patří např. PVI (Perpendicular Vegetation Index), jeho modifikace PVI1, PVI2 a PVI3, DVI (Difference Vegetation Index), AVI (The Ashburn Vegetation Index), SAVI (The Soil-Adjusted Vegetation Index), TSAVI (The Transformed SoilAdjusted Vegetation Index), MSAVI (The Modified Soil-Adjusted Vegetation Index) a WDVI (The Weighted Difference Vegetation Index). Tyto indexy řeší oddělení informací o vegetaci od informací o půdách. Jsou zaloţeny na konceptu půdní linie a vzdáleností od ní. Půdní linie je vyjádřena lineární rovnicí, která popisuje vztah mezi hodnotami odrazivosti v červeném a infračerveném pásmu pro pixely odkryté půdy. Jakmile je jednou vzájemný vztah určen tak všechny ostatní pixely, které vykazují v červeném a infračerveném pásmu podobný poměr mezi odrazovými hodnotami, jsou povaţovány za odkrytou půdu. Neznámé pixely, které z důvodu vyšších hodnot odrazivosti v infračerveném pásmu spadají daleko od půdní linie, jsou přiřazeny vegetaci. Pixely, které spadají mimo půdní linii z důvodu vyšší odrazivosti v červeném pásmu, jsou často ohodnoceny jako voda. Jako vstupy pro výpočet vzdálenostních indexů tedy slouţí červené a infračervené pásmo, sklon půdní linie a úsek vymezený půdní linii na souřadnicové ose Y (obr. 3). [47]
Obr. 3: Rozptylogram vzdálenostních indexů (upraveno podle [6])
Vzdálenostní indexy se pouţívají převáţně pro analýzy vegetace v aridních a semiaridních regionech, kde vegetační pokryv není kompletní a průměrné hodnoty
17
odrazivosti jsou velmi ovlivněny typem půd na pozadí [47]. To však není případ zájmového území, které bylo zvoleno pro tuto práci, a proto jim jiţ nebude dále věnována pozornost.
3.1.3 Ortogonální transformace Ortogonální indexy (transformace) jsou lineární kombinací původních pásem multispektrálního obrazu (Dobrovolný, 1998). Zástupcem této skupiny indexů je transformace TCT (Tasseled Cap Transformation), která přepočítává 6 pásem multispektrálního obrazu na 3 nová pásma – brightness, greenness a wetness. [28] První pásmo je označováno jako index brightness a je orientováno ve směru maximálního rozptylu hodnot odrazivosti půdy [5]. To je uţitečné pro analýzy týkající se půdy. Pro studium vlhkosti a mnoţství biomasy je ale mnohem uţitečnější druhé a třetí pásmo. Druhé pásmo – index greenness, někdy označováno jako GVI (Green Vegetation Index) [6], je k prvnímu kolmé a je ukazatelem mnoţství zeleně [5]. Záporné váhy této transformace mají tendenci ve viditelných pásmech minimalizovat vliv půdního pozadí, zatímco kladné váhy zdůrazňují signál zelené vegetace v blízkých infračervených pásmech [6]. Třetí pásmo koreluje s vlhkostí půdy a vegetace a nese název wetness [5]. Porovnává obsah ve
viditelném
a blízkém
infračerveném
pásmu
s delšími
infračervenými pásmy. Určuje tak mnoţství vlhkosti, která je zadrţována ve vegetaci nebo v půdě. Delší infračervená pásma jsou nejcitlivější k půdě a rostlinné vlhkosti, a proto kontrast mezi viditelnými pásmy a blízkými infračervenými pásmy s delšími infračervenými pásmy zvýrazňuje stupeň vlhkosti ve scéně. [13] V následujících tabulkách jsou uvedeny koeficienty transformací pro senzor TM a ETM+. Ostatní pásma obsahují jen minimum cenných dat [5], které nemají pro tuto práci přínos, a proto zde ani uvedeny nejsou. Tab. 2: Koeficienty pro výpočet 3 hlavních transformací ze skeneru TM, [28]
Pásmo
1
2
3
4
5
7
brightness
0,3037
0,2793
0,4743
0,5585
0,5082
0,1863
greenness
–0,2848
–0,2435
–0,5436
0,7243
0,0840
–0,1800
0,1509
0,1973
0,3279
0,3406
0,7112
–0,4572
wetness
18
Tab. 3: Koeficienty pro výpočet 3 hlavních transformací ze skeneru ETM+, [11]
Pásmo
1
2
3
4
5
7
brightness
0,3561
0,3972
0,3904
0,6966
0,2286
0,1596
greenness
–0,3344
–0,3544
–0,4556
0,6966
–0,0242
–0,2630
0,2626
0,2141
0,0926
0,0656
–0,7629
–0,5388
wetness
PCA (Principal Components Analysis), neboli analýza hlavních komponent, je ortogonální transformace n-rozměrného snímku, která vytváří novou sadu snímků (komponent), které nekorelují s ostatními a podle mnoţství variací (informace) zastupují původní snímek. PCA je typicky pouţívána pro odhalení základní charakteristiky multi-variačních dat s odstraněním redundancí (zřejmé ve vzájemné korelaci hodnot pixlů ve snímku), se specifickými aplikacemi v GIS a zpracováním snímku od datové komprese po analýzy časových řad. V souvislosti se satelitními snímky, první komponenta typicky reprezentuje albedo (ve kterém je zastoupeno půdní pozadí), zatímco druhá komponenta většinou často reprezentuje různost vegetačního krytu. Druhá komponenta je v blízkém infračerveném pásmu obecně kladná a v červeném pásmu záporná. Výsledkem je, ţe vegetace je v této komponentě zvýrazněna. [6]
3.2 Fuzzy klasifikace Slovo fuzzy můţeme chápat jako neostré, matné, neurčité či vágní. Vţdy to znamená, ţe něco nelze popsat přesně danou hodnotou, nejčastěji 0 nebo 1 jako je tomu u tzv. Booleovské logiky. Fuzzy logika představuje její rozšíření, kde lze pracovat s hodnotami v celém intervalu (0; 1). Fuzzy logika je relativně mladá teorie, která v posledních letech řeší širokou škálu problémů [20]. Jedním z nich můţe být i klasifikace satelitních snímků. Ve své práci ji pouţil například Nedeljkovic [20] nebo Brodský [3], kteří se soustředí na objektově orientovanou (fuzzy) klasifikaci, kterou srovnávají s běţně pouţívanou metodou perpixel. Tato práce vychází z fuzzy klasifikace, jak ji popisuje Eastman (2001) v Idrisi32 Release 2. Ten tvrdí, ţe nejdříve musí být definovány nějaká kritéria, na jejichţ základě je provedeno hodnocení (klasifikace). Pokud je definováno jedno kritérium jde klasifikaci jednokriteriální, pokud více pak jde o klasifikaci multikriteriální.
19
Podle [6] je kritérium základním kamenem samotné fuzzy klasifikace. Existují dva typy - faktor a omezení, které mohou být pouţity jak samostatně, tak současně. Faktor je kritérium, které zvětšuje nebo zmenšuje vhodnost dané alternativy. Proto je většinou pouţíváno kontinuální měřítko. Příkladem můţe být ohodnocení vhodnosti v intervalu (0; 1), kde 0 značí nejmenší vhodnost a 1 naopak vhodnost největší. Omezení slouţí k vymezení alternativy. Příkladem tohoto kritéria můţe být maska rasteru, ve které určíme hranice nevhodnosti (resp. vhodnosti), kde přidáme hodnoty 0 nebo 1. Tato kritéria lze hodnotit buď booleanovským překrytím, čímţ jsou všechna kritéria redukována do logického tvrzení vhodnosti. Poté jsou kombinovány na základě logických operátorů jako je průnik (AND) nebo spojení (OR). Druhé hodnocení je známé jako lineární váţená kombinace (WLC), ve které jsou kontinuální kritéria (faktory) standardizovány do běţného číselného rozpětí, a poté kombinovány podle váţených průměrů. [6] V této práci bylo pouţito kritérium typu faktor, které bylo nadefinováno jako lineární funkce (obr. 4), u níţ s rostoucí hodnotou indexu roste mnoţství vlhkosti a biomasy. Ohodnocené indexy pak byly ve výsledku sečteny. Celý postup je uveden v kapitole 4.3.2.
Obr. 4: Lineární funkce mnoţství vlhkosti a biomasy v závislosti na hodnotě indexu
20
4. Vlastní zpracování 4.1 Zájmové území Zájmovým územím je povodí řeky Trkmanky, která je levostranným přítokem Dyje. Toto území, o rozloze přibliţně 380 m2, se nachází na jihovýchodní Moravě, na pomezí okresů Hodonín, Břeclav a Vyškov. Trkmanka pramení ve výšce 300 m n. m. ve Ţdánickém lese severozápadně od obce Ţdánice. Teče přibliţně ze severu na jih, kde se po 42,3 km vlévá u obce Podivín do Dyje (Vlček, 1984). Protéká kolem Terezova, Kobylí, Bořetic, Velkých Pavlovic, Trkmance, Rakvic a Podivína. Před obcí Ladná se dělí na několik ramen, z nichţ nové – hlavní (tzv. Nová Trkmanka) se vlévá do Dyje. [45] Tzv. Nová Trkmanka byla, podle [32], vykopána v letech 1835 aţ 1836, a ještě v roce 1838 musela být prohlubována. Svedla vody z rybníků a jezer v severozápadní části dnešního okresu Hodonín a v části dnešního okresu Břeclav. Konkrétně z rybníků u Krumvíře, z Kobylského jezera, Panského rybníka u Bořetic, jezera Kúdelka u Bořetic, Němčického jezírka, Horního a Dolního rybníka u Pavlovic, Trkmanského rybníka, Rakvického rybníka a močálů pod Podivínem.
Obr. 5: Lokalizace zájmového území
21
Řeka má níţinný charakter, teče otevřenou krajinou, zprvu mírně meandruje a od Draţůvek protéká téměř přímočaře regulovaným řečištěm. Z hlediska vegetačního krytu 72 % území zaujímají zemědělsky vyuţívané plochy, 18 % lesy a zbylých 10 % tvoří plochy bez vegetace. Podle Mikyška et al. (1968) se tu vyskytují luhy a olšiny, dubohabrové háje, subxerofilní doubravy, šipákové doubravy a skalní lesostepi. Luhy a olšiny jsou rozšířené podél všech vodních toků, nejvíce ovšem v rozlehlé nivě Trkmanky a Dyje. Subxerofilní doubravy obsahují společenstva typická pro nejteplejší oblasti Čech a Moravy. Ve stromovém patře lesa zpravidla převládají dub zimní, dub letní a habr obecný. Charakteristickým rysem je zde bohatě vyvinuté keřové patro. Tato jednotka je nejvíce zastoupena v rozvodních oblastech. Šipákové doubravy a skalní lesostepi zahrnují vyhraněná společenstva na přechodu mezi lesem a stepí. Setkáváme se s nimi na jiţních svazích, terénních hranách a přechodech v plošinu. Na zemědělsky vyuţívaných plochách jsou nejvíce pěstovány obilniny – pšenice, ţito a ječmen. Kukuřice se soustřeďuje do teplejších oblastí na jihu území. Ve vyšších nadmořských výškách, od 350 m, se pěstuje řepa, v údolích pak pícniny a zelenina. Typické pro tuto oblast je pěstování vinné révy a ovocných stromů, především meruňky a broskve (Mištera, 1999).
4.2 Vstupní data Vstupními daty byly satelitní snímky, vektorové vrstvy vyuţití země a tabelární data z ČSÚ. Nejaktuálnější satelitní snímek byl pořízen ze senzoru TM (Thematic Mapper), který nese druţice Landsat 5, a další dva ze senzoru ETM+ (Enhanced Thematic Mapper +), jehoţ nosičem je druţice Landsat 7. Jako referenční data byly pouţity dvě vektorové vrstvy vyuţití země ve formátu SHP (rok 2001 a 2007), které byly vytvořeny v rámci bakalářské práce Evy Alkové (2008) na Katedře geoinformatiky Univerzity Palackého v Olomouci. Dalšími podkladovými daty byly průměrné výnosy zemědělských plodin v Jihomoravském kraji v roce 2007, které jsou k dispozici na webových stránkách ČSÚ ve formátu PDF.
22
Tab. 4: Popis pouţitých satelitních snímků
Satelit
Senzor
Počet pásem
Datum pořízení
Formát
Landsat 5
TM
7
20. 7. 2007
CEOS
Landsat 7
ETM+
8
2. 8. 2000
TIF
Landsat 7
ETM+
8
24. 5. 2001
TIF
4.2.1 Landsat Program LANDSAT, který je společným dílem NASA (National Aeronautics and Space Administration) a USGS (U.S.Geological Survey), je nejdéle fungujícím projektem pro pozorování a získávání satelitních snímků povrchu planety Země. [36] První z řady satelitů Landsat byl vynesen na oběţnou dráhu v roce 1972 a od té doby je Země soustavně monitorována. Tento satelit, stejně jako další dva patřící do první generace, nesl dva senzory: RBV (Return Beam Vidicon) a MSS (Multispectral Scanner). Druhá generace, zahájená satelitem Landsat 4 v roce 1982, byla jiţ vybavena pokročilejším senzorem TM (Thematic Mapper). Tímto senzorem je vybavena i stále funkční druţice Landsat 5. [49] TM je moderní multispektrálně pracující skener navrţený pro získávání snímků s vysokým rozlišením. Je schopný snímat data v 7 spektrálních pásmech zároveň. Má termální pásmo s rozlišením 120 m, díky kterému můţe zaznamenávat rozdíly v teplotě zemského povrchu. [43] Po nezdařeném startu Landsatu 6 v roce 1993 byl v dubnu roku 1999 úspěšně uveden do provozu Landsat 7 se senzorem ETM+. [36] ETM+, který tak nahradil úspěšný TM, je schopný poskytovat snímky zemského povrchu s mnohem vyšším rozlišením neţ jeho předchůdce. Pohybuje se po oběţné dráze vzdálené 705 km od povrchu Země a zabírá území o rozloze 183 × 170 km. Multispektrální snímek je nyní sloţen z 8 pásem s rozlišením 15, 30 a 60 m. Novinkou je panchromatické pásmo s rozlišením 15 m, tepelné pásmo s dvojnásobným prostorovým rozlišením (60 m) a mimo to zvýšená přesnost kalibrace přístroje. [44]
23
Tab. 5: Spektrální a prostorové rozlišení senzoru TM, (upraveno podle [43])
Část spektra
Číslo
Spektrální
Prostorové
(druh záření)
pásma
rozsah (µm)
rozlišení (m)
B-G1
1
0,45 – 0,52
G2
2
0,52 – 0,60
R3
3
0,63 – 0,69
blízké infračervené
4
0,76 – 0,90
střední infračervené
5
1,55 – 1,75
tepelné
6
10,4 – 12,5
120
střední infračervené
7
2,08 – 2,35
30
viditelné
1
30
B-G – blue-green, 2 G – green, 3 R – red
Tab. 6: Spektrální a prostorové rozlišení senzoru ETM+, (upraveno podle [44])
Část spektra
Číslo
Spektrální
Prostorové
(druh záření)
pásma
rozsah (µm)
rozlišení (m)
B-G1
1
0,45 – 0,515
G2
2
0,525 – 0,605
R3
3
0,63 – 0,69
blízké infračervené
4
0,75 – 0,90
střední infračervené
5
1,55 – 1,75
tepelné
6
10,4 – 12,5
60
střední infračervené
7
2,09 – 2,35
30
PAN4
8
0,52 – 0,9
15
viditelné
1
30
B-G – blue-green, 2 G – green, 3 R – red, 4 PAN – panchromatické pásmo
4.2.2 Použitý software Většina práce byla řešena v ERDAS IMAGINE 9.0. Jedná se o software zaměřený na veškeré zpracování dat dálkového průzkumu Země a fotogrammetrie. Zde proběhla jak příprava snímků, tvorba modelů analýz a spektrálních indexů, tak i vlastní zpracování vybraných analýz. Pro sestavení výsledných map byl pouţit ArcGIS 9.2,
24
software americké firmy ESRI. Dále byly vyuţity také produkty Microsoft Office, PSPad a CorelDRAW.
4.2.3 ERDAS IMAGINE Software ERDAS IMAGINE, který je dílem společnosti Leica Geosystems Geospatial Imaging, umoţňuje zpracovávat různé typy geografických dat. Především je zaměřen na zpracování leteckých a druţicových snímků, a to od vytvoření ortosnímků aţ po vyhodnocení informací o typu pokryvu, aktualizaci polohopisu a mapování výškopisu. Kromě klasických kartografických výstupů mohou být geografická data vyuţívána a prezentována ve formě 3D GIS. ERDAS IMAGINE je dále připraven i na řešení celé řady úloh GIS. K dispozici jsou nástroje pro prostorovou analýzu, je také moţno vytvářet či vyuţívat vektorová data ve standardních formátech firmy ESRI. Unikátní je moţnost provádět integrovanou analýzu rastrových i vektorových dat a nástroj pro tvorbu uţivatelských algoritmů v grafickém prostředí. [33]
4.2.3.1 Model Maker Model Maker, který najdeme v nabídce Spatial Modeler – Model Maker, je jedním ze tří hlavních nástrojů pro definování algoritmů a funkcí GIS analýz v prostředí ERDAS IMAGINE. Dalšími dvěma nástroji jsou buď naskriptované modely pomocí jazyka SML (Spatial Modeler Language), coţ je programovací jazyk, tvořící základ všech GIS funkcí v ERDAS IMAGINE pro tvorbu skriptů, nebo jiţ předprogramované funkce v nabídce Image Interpreter. To je sada více neţ 50-ti funkcí, které jsou vytvořeny pomocí Model Makeru nebo SML. [8] Podle ERDAS IMAGINE Tour Guides (2003) je Model Maker grafické prostředí pro práci se SML. Umoţňuje tak tvořit grafické modely, které mohou být spouštěny, editovány, ukládány nebo konvertovány do skriptů (textových modelů) a pak dále upravovány pomocí SML. Výsledné soubory modelů mají koncovku GMD. Pokud jsou konvertovány do skriptů, mají koncovku MDL. V tomto případě jsou poté spustitelné pomocí nástroje Model Librarian (Spatial Modeler – Model Librarian…), odkud mohou být jak spuštěny, tak i nadále editovány. Pomocí palety s jednoduše obsluhovatelnými nástroji lze vytvořit model definující: vstupní a výstupní vrstvy (rastrové i vektorové), matice, tabulky a veličiny výpočty, funkce nebo příkazy k provedení nad vstupními daty
25
Obr. 6. Paleta nástrojů Model Makeru
Počet vstupů, funkcí a výstupů je libovolný, ale je nutno dodrţet, aby před spuštěním modelu byly všechny komponenty navzájem propojeny. [8]
4.2.4 Předpracování Snímky z roku 2000 a 2001 byly staţeny z webových stránek Global Land Cover Facility [50], kde je k dispozici řada snímků z celé Země. Byly uloţeny po jednotlivých pásmech v georeferencovaném formátu TIF, které jiţ byly radiometricky a geometricky upraveny. Snímek z roku 2007 byl pořízen Katedrou geoinformatiky v rámci projektu Ekotony. Byl ve formátu CEOS (BSQ) ukládající snímky po jednotlivých pásmech. CEOS soubory obsahují více informací neţ jiné formáty pro ukládání distančních dat [49], ale pro nespecializovaný software jsou těţko čitelné. ERDAS IMAGINE formát CEOS načíst umí, a proto byl snímek pomocí příkazu Import/Export importován jako TM Landsat ESA Standart Format. Pro další zpracování byl exportován do formátu IMG, coţ je primární formát ERDAS IMAGINE. Následně bylo nezbytné jednotlivá pásma u všech zúčastněných snímků spojit, a vytvořit tak snímky multispektrální. To bylo provedeno pomocí Image Interpreter – Utilities – Layer Stack… Bylo zjištěno, ţe snímek z roku 2007 je vůči dalším dvěma geometricky posunut. Na základě podkladových vektorových vrstev byl tedy opraven a společně s ostatními reprojektován do souřadného systému WGS84 – zóna 33N. Protoţe všechny snímky
26
pokrývaly mnohem větší území, neţ je povodí Trkmanky, byly podle něj nakonec oříznuty.
4.3 Modelování Modelování je silný a flexibilní analytický nástroj. V případě zpracování dat dálkového průzkumu Země je to proces vytváření nových vrstev buď z kombinací, nebo operací nad jiţ existujícími vrstvami. Modelování dává vznik jak sadě vrstev, tak vrstvám jednotlivým, které obsahují různé typy informací o zájmovém území (ERDAS Field Guide, 2005). Podle [7] je modelem nazývána sada procesů, která definuje kritéria. V ERDAS IMAGINE mohou být modely vytvořeny graficky v podobě blokového schématu kroků, nebo pomocí skriptovacího jazyka. Ačkoliv se tyto dva typy modelů zdají odlišné, jsou v podstatě stejné – jsou definovány vstupní soubory, specifikovány funkce a/nebo příkazy a definovány výstupy. V této práci byly vyuţity nástroje Model Makeru (kapitola 4.2.3.1). Moţnost algoritmizovat většinu kroků při zpracování analýz ušetřila jak čas, tak i místo na disku, které by zbytečně zabíraly dílčí soubory. Další výhodou je, ţe vytvořené modely mohou být rychle upraveny a v budoucnu znovu spuštěny na jiná data.
4.3.1 Spektrální indexy ERDAS IMAGINE nabízí jiţ několik přeprogramovaných
indexů, které jsou
uloţeny v nabídce Image Interpreter – Spectral Enhancement – Indices. Pro senzor TM je tu pět indexů, týkajících se analýz vegetačního krytu: NDVI, TNDVI1, RATIO (označen jako IR/R), SQRT (IR/R)2 a tzv. Veg. Index, coţ je podíl 4. a 3. pásma. Pro práci byly pouţity pouze NDVI a RATIO, které byly ale také upraveny pomocí Model Makeru, z důvodu dalších analýz a moţnosti automatizace. První fází pouţití nástroje Model Maker bylo tedy modelování spektrálních indexů, které byly vybrány pro analýzy vlhkosti a biomasy vegetačního krytu, ale v nabídce samotného softwaru ERDAS IMAGINE chybí.
1
TNDVI = Sqrt ((B4 – B3 / B4 + B3) + 0,5)
2
SQRT (IR/R) = SQRT (TM4/TM3)
27
Na obr. 7 je znázorněn grafický model pro tvorbu jednodušších poměrových indexů, tj. podílů vybraných pásem. Tento model byl pouţit pro tvorbu indexů MSI, RVI, NRVI a také pro úpravu indexu RATIO.
Obr. 7: Grafický model pro tvorbu jednoduchých poměrových spektrálních indexů
Vstupní i výstupní raster je po spuštění modelu zadáván uţivatelem (tzv. označení PROMPT_USER), díky čemuţ není daný model omezený jen na pouţití pro předem nadefinovaný raster. Funkce tu pak definuje samotný výpočet indexu. Výstupní raster je v datovém formátu float, čímţ je zajištěno, ţe výsledné hodnoty nebudou zaokrouhleny na celé číslo jako v případě integer, kdy by byl výsledek zkreslený, a v podstatě nepouţitelný.
U vlhkostního indexu MSI je funkce definována jako: EITHER 0 IF ( $n1_PROMPT_USER(4) == 0.0 ) OR $n1_PROMPT_USER(5) / $n1_PROMPT_USER(4) OTHERWISE
Jinými slovy to znamená, ţe pokud bude pásmo 4 mít hodnotu 0, bude i ve výsledku 0 (ošetření, aby nedocházelo k dělení nulou), jinak bude výsledek podílem pásma 5 a 4. Stejný princip vyuţívá i RATIO, RVI, a NRVI, jejichţ funkce jsou definovány stejně, jen s výjimkou podílu jiných pásem. V případě indexu RATIO jsou to pásma 4 a 3: EITHER 0 IF ($n1_PROMPT_USER(3) == 0.0) OR ($n1_PROMPT_USER(4) / $n1_PROMPT_USER(3)) OTHERWISE
28
U indexu RVI je to podíl pásem 3 a 4: EITHER 0 IF ($n1_PROMPT_USER(4) == 0.0) OR $n1_PROMPT_USER(3) / $n1_PROMPT_USER(4) OTHERWISE
Index NRVI je také podílem pásem 3 a 4, ovšem s doplněním o konstantu 1: EITHER 0 IF ($n1_PROMPT_USER(4) == 0.0) OR (($n1_PROMPT_USER(3) / $n1_PROMPT_USER(4)) - 1) / (($n1_PROMPT_USER(3) / $n1_PROMPT_USER(4)) + 1) OTHERWISE
Indexy NDVI a NDWI nejsou jen jednoduchým poměrem dvou pásem, ale poměrem rozdílu a součtu těchto pásem. Aby nedocházelo k dělení nulou byl čitatel i jmenovatel jejich rovnic definován samostatně. Oba indexy pak byly vytvořeny podle následujícího grafického modelu (obr. 8).
Obr. 8: Grafický model pro tvorbu poměrových spektrálních indexů NDVI a NDWI
První funkce definuje čitatel rovnice a druhá funkce jmenovatel. V případě první funkce je to u NDVI rozdíl pásma 4 a 3: $n1_PROMPT_USER(4) - $n1_PROMPT_USER(3),
29
a u NDWI rozdíl pásma 4 a 5: $n1_PROMPT_USER(4) - $n1_PROMPT_USER(5). V případě druhé funkce jsou to součty jmenovaných pásem, tj. NDVI: $n1_PROMPT_USER(4)
+
$n1_PROMPT_USER(3),
a
NDWI:
$n1_PROMPT_USER(4)
+ $n1_PROMPT_USER(5).
Třetí funkce je u obou indexů stejná: EITHER 0 IF ( $n7_memory == 0.0 ) OR $n3_memory / $n7_memory OTHERWISE
Říká, ţe pokud dílčí vrstva, která byla vytvořená druhou funkcí (není vytvořena fyzicky, je jen uloţena v paměti), má hodnotu 0 bude mít i výsledek hodnotu 03. Jinak bude vypočítán podíl dílčích vrstev, tj. zadaného čitatele a jmenovatele.
Ortogonální transformace Tasseled Cap Transformation najdeme v nabídce Image Interpreter – Spectral Enhancement – Tasseled Cap… Tento příkaz ovšem vypočítává šest transformací najednou – Brightness, Greenness, Wetness a další tři nepojmenované. To je v tomto případě zbytečné a výpočetně náročné. Pro detekci vlhkosti stačí pouze transformace Wetness a pro detekci biomasy transformace Greenness. Senzor TM a senzor ETM+ navíc pouţívá jiné koeficienty, takţe nelze pouţít jeden model na všechny snímky. TCT byla proto v prostředí Model Makeru upravena a optimalizována pro oba senzory.
Obr. 9: Grafický model pro tvorbu transformace – Greenness, Wetness
3
Číselné označení vrstev (př. $n7_memory) si Model Maker přiděluje sám a nelze jej měnit.
30
V matici jsou uloţeny koeficienty pro transformaci jednotlivých pásem zmíněných skenerů. V první funkci je počítána lineární kombinace vstupního snímku s danými koeficienty, jejímţ výsledkem je dílčí vrstva obsahující všechny 3 transformace – Brightness, Greenness i Wetness: LINEARCOMB ( $n1_PROMPT_USER , $n2_Custom_Float )
Druhá funkce definuje masku jen pro získání transformace Greenness:
$n4_temp(2),
třetí pak masku pro transformaci Wetness: $n4_temp(3). Podobně tomu bylo i případě analýzy hlavních komponent, která se v ERDAS IMAGINE skrývá v nabídce Image Interpreter – Spectral Enhancement – Principal Comp… Model PCA byl upraven tak, aby výsledkem byla jen 2. komponenta, tj. komponenta která nejvíce koreluje s výskytem vegetace.
Obr. 10: Grafický model pro tvorbu 2. komponenty PCA
Funkce 1 počítá kovarianci snímku, neboli míru vzájemné vazby pixlů mezi jednotlivými pásmy: COVARIANCE ( $n1_PROMPT_USER ), která se zapíše ve formě matice. Druhá funkce vypočítává matici charakteristických vektorů: [19], třetí provádí její transpozici:
MATTRANS ( $n12_Output
EIGENMATRIX ( $n3_Output )
) [19], a čtvrtá definuje
lineární kombinaci transponované matice se vstupním snímkem: $n1_PROMPT_USER , $n11_Output ).
LINEARCOMB (
Tím vznikne dílčí vrstva, ze které poslední funkce
oddělí jen druhou komponentu: $n7_memory (2).
31
4.3.2 Relativní vlhkost a biomasa Klasifikace vlhkosti a biomasy vegetačního krytu byla provedena na základě hodnocení jiţ zmíněných spektrálních indexů. Kaţdý index můţe mít své výhody a zároveň nevýhody, které ovšem nelze bez terénního měření dokázat. V případě, ţe nejsou k dispozici referenční data, je moţné k hodnocení klasifikace přistupovat relativně [6, 47]. Zvolený postup je znázorněn na obr. 11 a 12.
Obr. 11: Schéma pro výpočet relativní vlhkosti vegetačního krytu
Obr. 12: Schéma pro výpočet relativního mnoţství biomasy vegetačního krytu
Nejdříve bylo zjištěno, jak se mnoţství vlhkosti a biomasy projevuje v určitých spektrálních pásmech. Poté byly vypočítány indexy, které byly podrobeny analýze. MSI zde vykazuje opačný trend neţ index NDWI a transformace Wetness. S rostoucí hodnotou indexu se vlhkost vegetace sniţuje, coţ je zřejmě důvod, proč bývá pouţíván k detekci sucha. Pokud je ale pouţit inverzní MSI, pak je vidět, ţe jsou si
32
spolu s NDWI dost podobné. NDWI je oproti MSI zvýhodněn, protoţe má díky normalizovanému tvaru rovnice schopnost minimalizovat vlivy topografie a vytváří lineární stupnice měření s normálním rozdělením. Při vizuálním porovnání ale nejsou patrné ţádné výrazné rozdíly. Stejně tak tomu je i v porovnání s Wetness. Hodnoty této transformace jsou však rozloţeny v mnohem širším intervalu, takţe umoţňují větší rozlišení zkoumaných charakteristik. Srovnání vlhkostních indexů je v příloze 1. Ze studia indexů pro detekci biomasy (příloha 2 a 3) vyplývá, ţe odlišný trend vykazuje index RVI a NRVI, u nichţ se s rostoucí hodnotou sniţuje mnoţství biomasy. Po úpravě, jako v případě vlhkostních indexů, byla vidět korelace mezi RATIO, RVI, NRVI, NDVI i transformací Greenness. Hodnoty Greenness ovšem pokrývají mnohem širší interval, a proto má výhodu většího rozlišení vůči ostatním. Jen druhá komponenta PCA je od ostatních na první pohled odlišná. Je to z důvodu toho, ţe reprezentuje různost vegetačního krytu. Tab. 7: Získané hodnoty spektrálních indexů pro povodí Trkmanky v červenci 2007
Index
MIN
MAX
0,268
3,984
–0,598
0,576
–241,096
62,946
RATIO
0,465
6,619
RVI
0,151
2,148
NRVI
-0,737
0,364
NDVI
-0,364
–0,737
PCA (2. komponenta)
14,176
332,405
–123,356
75,848
MSI NDWI TCT (Wetness)
TCT (Greenness)
Pro další hodnocení indexů byla vybrána metoda tzv. fuzzy klasifikace (kapitola 3.2). Podle toho, zda se vzrůstající mnoţství projevovalo zvyšující se, nebo sniţující se hodnotou pixlů, byly jednotlivé indexy reklasifikovány do intervalu (0; 1), kde 0 značila nejniţší a 1 naopak nejvyšší mnoţství. Většina se jich projevuje tak, ţe pixely s nejniţší hodnotou odpovídají i nejniţšímu mnoţství těchto charakteristik. Jak jiţ bylo řečeno, v případě indexů MSI, RVI a NRVI
33
tomu ale bylo naopak. Byly proto reklasifikovány opačným způsobem, aby odpovídaly stejnému měřítku jako ostatní. K tomuto hodnocení byl z důvodu automatizace vyuţit také nástroj Model Maker. Z kaţdého indexu, který byl v modelu pro relativní klasifikaci uloţen jako dočasná vrstva Memory 1 (obr. 13), bylo pomocí první funkce vypočítáno globální minimum: GLOBAL MIN ( $n1_temp ) ( $n1_temp ),
. Pomocí druhé funkce pak globální maximum:
a obě hodnoty byly zapsány do tabulek ($n15_Output,
GLOBAL MAX
$n16_Output).
Jako
skalární číslo typu float bylo definováno nové minimum a maximum, tj. 0 a 1 ($n5_Float, $n6_Float).
Třetí funkcí pak byla získána finální reklasifikace, která byla také uloţena
jako dočasná vrstva Memory 2: ($n1_temp - $n15_Output) * ($n6_Float - $n5_Float) / ($n16_Output - $n15_Output) + $n5_Float.
Obr. 13: Grafický model pro reklasifikaci původních indexů
Závěrečnou fází klasifikace zkoumaných charakteristik bylo sečtení všech dočasných vrstev. Výsledkem jsou tedy modely ve formátu GMD, které jsou znovu spustitelné i na jiné snímky neţ-li byly pouţity v této práci. Oba modely – jak pro relativní vlhkost (příloha 4), tak pro získání relativního mnoţství biomasy (příloha 5) byly upraveny, aby byly aplikovatelné na jakékoliv snímky ze senzorů TM a ETM+. Všechny zmíněné modely indexů i klasifikací jsou přiloţeny k práci na CD.
34
4.4 Odhad množství biomasy Jedním z cílů práce bylo odhadnout mnoţství nadzemní biomasy vegetačního krytu. Tímto tématem se jiţ zabýval např. Ravan (1996), který pomocí satelitních snímků odhadoval mnoţství biomasy v národním parku Madhav v Indii. Popisuje jak metody pozemního měření, tak techniku statistického vzorkování a modelování se samotnými daty. Mapování biomasy v tropickém deštném lese popsal Foody (2003), jehoţ práce byla zaměřena na srovnání přístupů pro odhad a mapování lesní biomasy na ostrově Borneo. Řeší metodu vegetačních indexů a mnohonásobné regresní analýzy, před nimiţ upřednostňuje metodu tzv. neuronových sítí. Lefsky (2001) se dále zabývá srovnáním mnoţství nadzemní biomasy získané pozemním měřením spolu s daty z LIDARu, které byly sesbírány ve třech biomech – v mírném listnatém, mírném jehličnatém a boreálním jehličnatém pásmu. V našich zeměpisných šířkách se tomuto tématu věnuje Matějka (2009), jeţ ve své práci stanovuje mnoţství nadzemní biomasy pomocí satelitních snímků v oblasti Čertova jezera na Šumavě.
4.4.1 Stanovení biomasy Ať uţ jsou zvoleny jakékoliv metody, vţdy jsou k tomu zapotřebí referenční data se stanovenou biomasou. Metodami jejich sběru se zabývá např. Moravec (1994), který tvrdí ţe v současné době se stanovení biomasy uţívá hlavně při studiu primární produkce rostlinných společenstev. Uţívají se proto metody váhového či objemového stanovení. Při přímém stanovení biomasy se odřeţou nadzemní části všech rostlin v několika odběrových ploškách (většinou o ploše 1 m2 pro bylinné patro). Odřezané části se roztřídí podle druhů, usuší se při teplotě cca 60 °C a sušina se zváţí. Podíl populací jednotlivých druhů se vyjádří v procentech celkové hmotnosti sušiny. Někdy se pouţívá stanovení objemu biomasy populací jednotlivých druhů; měří se ponořením čerstvých nadzemních částí rostlin do kapaliny v odměrných nádobách. [21] Oba postupy jsou velmi pracné a časově náročné a přes jejich přesnost vyvstává problém reprezentativnosti výsledků v souvislosti s velikostí odběrových plošek a jejich nezbytným počtem. Přímý odběr znamená navíc zničení části společenstva a pro většinu fytocenologů je proveditelný jen u bylinné vegetace. [21]
35
Jsou to tzv. destruktivní metody, které z důvodu výskytu soukromých pozemků v povodí Trkmanky uskutečnit nešlo. Mnoţství biomasy se navíc v průběhu roku mění v závislosti na fenologické fázi rostlin, a proto by nemělo smysl měřit v jiných měsících neţ v těch, ze kterých jsou pořízené satelitní snímky. K získání referenčních dat byly tudíţ uplatněny tzv. nedestruktivní metody – metody dálkového průzkumu Země. Byly pouţity poznatky o spektrálním chování zemědělských plodin, dále studium výskytu průměrných hodnot biomasy dané oblasti a data ČSÚ. Podle Blaţka (2008), který popsal spektrální chování vybraných zemědělských plodin, byly v povodí Trkmanky identifikovány některé zemědělské plochy. Na základě odlišného spektrálního projevu v květnu, červenci a srpnu byly vybrány reprezentativní plochy s pšenicí, ječmenem, řepkou a mákem. Z nich byly získány hodnoty relativního mnoţství biomasy (viz. předchozí kapitola) a vypočítán průměr pro kaţdou plodinu. Na následujících obrázcích jsou znázorněny některé barevné syntézy zmíněných plodin tak, jak byly identifikovány v povodí Trkmanky.
Obr. 14: Spektrální projev řepky: 321 – květen, 453 – květen, 453 – červenec
Obr. 15: Spektrální projev ječmene: 347 – květen, 453 – květen, 453 – červenec
Obr. 16: Spektrální projev pšenice: 347 – květen, 453 – květen, 453 – červenec
36
Obr. 17: Spektrální projev máku: 321 – květen, 453 – květen, 453 – srpen
Zemědělské plodiny obvykle dosahují nejvyššího mnoţství nadzemní biomasy v době zrání, tj. v době sklizně. Vzhledem k tomu, ţe k dispozici byl snímek z 20. 7. (v době těsně před nebo v průběhu sklizně), mohlo být mnoţství biomasy odvozeno z průměrného výnosu kaţdé plodiny. Údaje o průměrném výnosu plodin pro rok 2007 byly získány z webových stránek ČSÚ. Tyto čísla ovšem vyjadřují celkové mnoţství nadzemní biomasy. Podle [40] je ale biomasa definována jako organická hmota, která se vyjadřuje hmotností sušiny na jednotku plochy. Např. [27] a [34] tvrdí, ţe typické mnoţství sušiny čerstvé plodiny se pohybuje okolo 85 %. Na základě tohoto předpokladu byly hodnoty výnosů přepočítány na mnoţství biomasy. Tab. 8: Průměrný výnos a obsah sušiny (biomasy) vybraných plodin v jihomoravském kraji v roce 2007
Výnos (t/ha) 4,63
Sušina (85 %) 3,94
Ječmen
4,54
3,86
Řepka
3,02
2,57
Mák
0,58
0,49
Plodina Pšenice
Zdroj dat: ČSÚ
V případě lesů tato metoda pouţít nejde a je celkově obtíţné určit mnoţství biomasy bez terénního měření. Díky vertikální pásmovitosti, nelze takto vypočítat reálné mnoţství ve spodních patrech. Lesy mají, na rozdíl od zemědělských ploch, patra 4: mechové, bylinné, keřové a stromové, a nejvyšší stromové pásmo překrývá na satelitních snímcích ostatní 3. Pro analýzu lesního porostu se v ekologických studiích často pouţívá tzv. LAI index (index pokryvnosti), který vyjadřuje plochu asimilačních orgánů nad určitou plochou porostu [40]. Jinými slovy LAI = plocha listů / plocha povrchu půdy. Problematikou
37
LAI indexu se zabývá např. Asner (2003), který ve své práci řeší rozloţení pokryvnosti v rámci různých biomů Země. Určením tohoto indexu lze zjistit pokryvnost lesním porostem, ale ne mnoţství biomasy. Slavíková (1986) tvrdí, ţe v opadavých lesích mírného pásma je průměrný výskyt biomasy okolo 30 t/ha. Podle [27] a [40] je akumulace organické hmoty a ţivin v nadzemní části tohoto ekosystému aţ 152 t/ha, coţ je mnohokrát více neţ v případě zemědělských ploch. Primární produkce lesů je navíc dvakrát vyšší neţ je průměr zemědělských půd [40]. Je proto zřejmé, ţe i biomasa lesního porostu bude nabývat vyšších hodnot neţ jiţ zkoumané plodiny s nejvyšším mnoţstvím biomasy. Rozloţení biomasy je ale značně variabilní. Při vyhodnocení satelitních snímků není brán v úvahu výskyt vegetačního krytu ve spodních patrech lesa, a proto i při získávání hodnot biomasy jsou údaje na těchto plochách zkreslené (často niţší neţ na zemědělských plochách). Pomocí řízené klasifikace byly tedy lesy vyjmuty z dalšího hodnocení a bez ohledu na skutečnou biomasu, jim byla přiřazena kategorie s nejvyšším obsahem biomasy.
4.4.2 Klasifikace snímku Finální částí zpracování satelitních snímků bývá klasifikace obrazu. Podle Dobrovolného (1998) je to proces, při kterém je jednotlivým obrazovým prvkům přiřazován určitý informační význam. Radiometrické charakteristiky původního snímku, které vyjadřují spektrální vlastnosti objektů a jevů, jsou tak nahrazeny hodnotami, které vyjadřují tzv. informační třídy. Pro klasifikaci byla připravena referenční data získána stanovením mnoţství biomasy zemědělských plodin (kapitola 4.4.1). Zbývající data pak byla dopočítána pomocí regresní analýzy. Do regresní rovnice byly dosazeny hodnoty jejich průměrné sušiny a odpovídající hodnoty relativního mnoţství biomasy (kapitola 4.3.2). Navíc byly přidány hodnoty vody a holé půdy, kterým odpovídala nulová biomasa.
38
Obr. 18: Graf regresní analýzy pro odhad biomasy
Z lineární regresní přímky byly zjištěny hodnoty relativní biomasy, které odpovídaly mezním hodnotám definovaných kategorií skutečné biomasy (<1, 1–2, 2–3, 3–4 t/ha). Podle nich byl pak celý výsledek relativní biomasy reklasifikován. Nakonec byla přidána kategorie lesa, jejíţ referenční data nevstupovala do regresní rovnice, ale které byla přiřazena kategorie s mnoţstvím vyšším neţ 4 t/ha. Výsledek je v příloze 8.
Obr. 19: Schéma pro odhad mnoţství biomasy vegetačního krytu
V tab. 9 je uvedena rozloha kategorií mnoţství biomasy podle druhu vyuţití země v červenci 2007. V tab. 10 pak jejich procentuální zastoupení. Je patrné, ţe nejvíce je zastoupena kategorie s mnoţstvím méně neţ 1 t/ha, ve které dominuje orná půda. Tu následuje kategorie 2–3 t/ha, ve které opět nejvíce přispívá orná půda. Více neţ 5 % zastoupení v ní mají sady, zahrady a vinice, a necelé 3 % zaujímají lesy. Kategorii 1–2 t/ha tvoří hlavně orná půda s více neţ 11 % a sady, zahrady a vinice s téměř 9 %.
39
Kategorie 3–4 t/ha je zastoupena minimálně, zatímco v kategorii s mnoţstvím vyšším neţ 4 t/ha je hlavní sloţkou lesní porost. Tab. 9: Rozloha kategorií mnoţství biomasy podle druhu vyuţití země v roce 2007
Landuse (km2)/ Biomasa (t/ha) >4
1
59,1
0,4
Orná půda 2,0
3–4
0,8
0,1
13,7
0,2
0,0
0,0
14,8
2–3
10,4
7,0
63,0
19,4
0,3
1,6
101,7
1–2
2,1
6,0
43,3
33,0
0,4
9,1
94,0
<1
0,3
0,6
95,6
1,9
0,6
7,5
106,5
Les
Louka
Sady1 0,3
Vodní Ostatní Celkem plocha 0,1 0,0 61,9
sady, zahrady a vinice
Tab. 10: Procentuální podíl kategorií mnoţství biomasy podle druhu vyuţití země v roce 2007
Landuse (%)/ Biomasa (t/ha) >4
1
15,6
0,1
Orná půda 0,5
3–4
0,2
0,0
3,6
0,1
0,0
0,0
3,9
2–3
2,7
1,8
16,6
5,1
0,1
0,4
26,9
1–2
0,6
1,6
11,4
8,7
0,1
2,4
24,8
<1
0,1
0,2
25,2
0,5
0,2
2,0
28,1
Les
Louka
Sady1 0,1
Vodní Ostatní Celkem plocha 0,0 0,0 16,3
sady, zahrady a vinice
4.5 Vývoj vlhkosti a biomasy Při srovnání výsledků klasifikace relativní vlhkosti a relativního mnoţství biomasy v jednotlivých letech lze pozorovat vývoj závisející na fenologické fázi rostlin. Pomocí příkazu Image Interpreter – Utilities – Change Detection… byly porovnány obě charakteristiky podle kalendářních měsíců pouţitých snímků (příloha 6 a 7). Ukázalo se, ţe vlhkost i biomasa vykazují podobný vývoj. Mezi květnem a červencem vzroste jejich mnoţství převáţně v lesích, trochu méně pak na orné půdě, v sadech, zahradách a vinicích, loukách i pastvinách. O více neţ 10 % tak toto mnoţství biomasy stouplo na 196,8 km2 zájmového území. U vlhkosti tomu bylo na 193,1 km2. Některé druhy pokryvu vykazovaly na části území zvýšení a na jiné části sníţení, a proto lze nalézt takové, které jsou zařazeny do obou kategorií. Ke sníţení došlo
40
výhradně u orné půdy, coţ je zřejmě dáno sklizní zemědělských plodin. Mnoţství biomasy se sníţilo u 111,1 km2 a vlhkost u 102,3 km2. Mezi červencem a srpnem se mnoţství daných charakteristik zvýšilo jen minimálně a to hlavně na orné půdě, coţ je výsledkem toho, ţe některé zemědělské plodiny se sklízejí později. Biomasa tak vzrostla na 46,4 km2 a vlhkost na 77,6 km2. Naopak ke sníţení mnoţství došlo téměř na všech typech vegetačního krytu. Biomasa se sníţila na 216 km2 a vlhkost dokonce na 292,2 km2. Většina orné půdy uţ totiţ bývá sklizena, u lesních porostů dochází k opadávání listí a louky a pastviny nemají tak vitální porost jako v předchozím období. Další moţností je srovnání statistických ukazatelů, jakým můţe být průměr nebo výskyt nejčastějších hodnot (modusů). Pro porovnání projevu obou charakteristik byly vybrány náhodné plochy zastupující druh vegetačního pokryvu. Z hodnot ploch kaţdého povrchu byl zjištěn průměr a ten byl promítnut do histogramů klasifikací relativní vlhkosti a relativního mnoţství biomasy. Podle nich lze zjistit, jak se daný povrch projevuje v rámci rozloţení hodnot zkoumaných charakteristik (příloha 9). Nutno však dodat, ţe tato ilustrace závisí na vybraných plochách a nelze ji brát za stěţejní pro celý snímek.
4.6 Závislost mezi vlhkostí a biomasou Při řešení práce vyvstala otázka, jak moc spolu zkoumané charakteristiky vegetačního krytu souvisí. Za tímto účelem bylo vybráno 60 náhodných bodů, tak aby byly zastoupeny všechny druhy vyuţití země. V těchto bodech byly zjištěny hodnoty relativní vlhkosti a zároveň hodnoty relativního mnoţství biomasy. Po pouţití regresní analýzy se ukázalo, ţe obě charakteristiky jsou téměř lineárně závislé. Mnoţství biomasy záleţí na mnoţství vlhkosti a to platí i v opačném případě.
41
červenec 2007 1,0
0,9
0,9
0,8
0,8
relativní biomasa
relativní biomasa
květen 2001 1,0
0,7 0,6 0,5 0,4 0,3
0,7 0,6 0,5 0,4 0,3
0,2
0,2
0,1
0,1
0,0
0,0 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
relativní vlhkost
relativní vlhkost
srpen 2000 1,0
relativní biomasa
0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
relativní vlhkost
Obr. 20: Závislost mezi vlhkostí a biomasou v květnu, červenci a srpnu
Tento fakt potvrzují i výsledky řečené v předchozí kapitole. Přesto se hodnoty na některých plochách liší. Pro ukázku byl porovnán snímek vlhkosti a biomasy z roku 2007, na kterém byly zaznamenány větší či menší odchylky od tohoto trendu (příloha 10). Největší odchylka byla zjištěna v lesních porostech, kde se některé hodnoty vzdalují aţ o více neţ 30 %.
4.7 Vizualizace Získaný odhad mnoţství biomasy byl pro potřeby lepší interpretace shlazen nízkofrekvenčním majoritním filtrem s filtrovacím oknem 5×5 pixelů. Ten byl aplikován pomocí příkazu Raster – Tools – Statistical filter… Veškeré mapové výstupy (v příloze) byly nakonec upraveny v softwaru ArcGIS, kde jim byly přidány nezbytné kompoziční prvky, jakými jsou nadpis, legenda, měřítko a tiráţ.
42
5. Výsledky Výsledkem práce je ucelený přehled o analýzách vlhkostních parametrů a biomasy vegetačního krytu, u kterého byly zkoumány dvě charakteristiky – vlhkost a biomasa. V prvním případě šlo o klasifikaci relativní vlhkosti, a v druhém o klasifikaci relativní biomasy a odhad skutečného mnoţství nadzemní biomasy. Vše bylo zaloţeno na aplikaci spektrálních indexů, k jejichţ hodnocení byla vyuţita metoda fuzzy klasifikace. Nejprve byly vybrány vhodné indexy jak pro klasifikaci vlhkosti, tak pro klasifikaci biomasy. Pro ně byly vypracovány modely ve formátu GMD, které jsou spustitelné v prostředí Model Maker v softwaru ERDAS IMAGINE. Konkrétně jde celkem o devět indexů – MSI, NDWI, RATIO, RVI, NRVI, NDVI, 2. komponentu PCA a 2. a 3. transformaci TCT, které lze znovu pouţít pro klasifikaci snímků ze senzorů TM a ETM+. Na základě jejich studia bylo zjištěno, ţe vybrané indexy, jak pro detekci vlhkosti, tak pro detekci biomasy, spolu značně korelují. Výjimku tvoří jen MSI, RVI a NRVI, které vykazují opačný trend neţ ostatní, tj. s rostoucí hodnotou indexu se mnoţství sledovaných charakteristik sniţuje. V případě 2. komponenty PCA je viditelný odlišný projev, který je dán tím, ţe PCA spíš neţ mnoţství reprezentuje různost vegetačního krytu. Podobně byly vypracovány i klasifikace relativní vlhkosti a relativního mnoţství biomasy. Ty jsou společně s modely samotných spektrálních indexů uloţeny na CD, kde jsou optimalizovány jak pro senzor TM, tak pro ETM+. U výsledků těchto klasifikací byl zjišťován vývoj v čase z hlediska různých fenologických fází a závislost mezi oběma charakteristikami. Obecně lze říci, ţe vlhkost a mnoţství biomasy spolu značně souvisí. Při srovnání mezi květnem a červencem byla zaznamenán hlavně jejich vzrůst (pokles jen na orné půdě), zatímco mezi červencem a srpnem jejich pokles. Obě charakteristiky jsou na sobě téměř lineárně závislé s výjimkou některých ploch lesního porostu. Byly vytvořeny mapové výstupy, na kterých jsou znázorněny pouţité spektrální indexy, vývoj relativní vlhkosti a relativního mnoţství biomasy, odhad mnoţství skutečné biomasy a také odchylka od lineární závislosti obou zkoumaných charakteristik. Na závěr byl vytvořen poster dokumentující jednotlivé fáze práce a její výsledky.
43
6. Diskuze Diplomová práce Analýzy vlhkostních parametrů a biomasy vegetačního krytu pomocí metod DPZ se zabývá tématem, které hraje významnou roli při posuzování stavu, vývoje a vůbec celkové funkce vegetačního krytu v rámci celého ekosystému Země. Právě vlhkost je jedním z důleţitých faktorů, který ovlivňuje stav vegetace a tím i mnoţství biomasy. Prvním úskalím práce byla samotná definice pojmu biomasa. Někteří autoři ji definují jako podíl sušiny organické hmoty a někteří jako veškerou organickou hmotu. Tato nejednoznačnost ovlivňuje určení jejího skutečného mnoţství. V případě této práce bylo vycházeno z ekologického výkladu tohoto pojmu. Výsledek odhadu mnoţství biomasy je tedy přepočítán jako podíl sušiny. Hodnocení vlhkosti i biomasy je ovlivněno výběrem spektrálních indexů. Těch jiţ dnes existuje velké mnoţství. Často jsou to ale jen modifikace indexů pouţitých v této práci. Přesto po aplikaci jiných indexů lze zřejmě dojít i k mírně odlišným výsledkům. Jako nejzásadnější problém hodnotím absenci referenčních dat z terénního měření. Díky tomu nelze brát výsledky odhadu skutečného mnoţství biomasy jako stěţejní, ale jen jako ilustrativní pohled na zájmové území. Ze stejného důvodu nešlo tyto výsledky ověřit. Naopak přínosem pro mě bylo hlubší seznámení se s programovými prostředky pro zpracování dat dálkového průzkumu Země, zejména pak prostředím Model Maker. Jeho uţivatelské rozhraní není graficky moc propracované, a proto zřejmě nepůsobí na uţivatele příjemně. Je to ovšem poměrně silný nástroj, který dokáţe řadu kroků zautomatizovat a zároveň umoţňuje pouţití funkcí, které se nenacházejí v běţné nabídce softwaru ERDAS IMAGINE. Myslím, ţe tato práce by mohla poslouţit jako návod pro další práce řešící podobnou problematiku.
44
7. Závěr Cílem diplomové práce bylo poskytnout přehled o analýzách vlhkostních parametrů a biomasy vegetačního krytu pomocí metod dálkového průzkumu Země. V případě analýzy vlhkosti šlo o klasifikaci vlhkosti vegetace a v případě analýzy biomasy o klasifikaci a odhad mnoţství nadzemní biomasy. Součástí byla realizace těchto analýz na zájmovém území. Textová část je věnována popisu analýz, vysvětlení pojmů a základních principů projevu vegetace na satelitních snímcích z hlediska zkoumaných charakteristik. Dále jsou tu popsány pouţité metody a celý proces zpracování. V praktické části byly řešeny vybrané analýzy na zájmovém území povodí Trkmanky. Ty byly zaloţeny na aplikaci spektrálních indexů a jejich hodnocení, které byly modelovány v prostředí Model Maker softwaru ERDAS IMAGINE. Byla zjišťována relativní vlhkost, relativní mnoţství a odhad mnoţství biomasy vegetačního krytu. Pomocí statistických ukazatelů byla zkoumána závislost mezi nimi jak z hlediska fenologických fází, tak z hlediska druhu vyuţití země. Výsledkem je ucelený přehled o analýzách vlhkostních parametrů a biomasy, o jejich charakteristikách, vývoji a závislosti mezi nimi. Dále jsou to modely ve formátu GMD, které jsou spustitelné v prostředí Model Maker, mapové výstupy, a poster dokumentující jednotlivé fáze a výsledky práce. Domnívám se, ţe stanovené cíle diplomové práce byly splněny a její výsledky mohou poslouţit k dalšímu studiu této problematiky nebo ke studiu zájmového území.
45
8. Summary The diploma thesis called Analyses of Moisture Parameters and Biomass of Vegetation Cover using Remote Sensing methods was solved at the Department of Geoinformatics of Palacky University in Olomouc. The aim of the diploma thesis was to provide a summary of analyses of moisture parameters and biomass of vegetation cover using remote sensing methods. The moisture analysis was focused on a moisture classification of vegetation. The biomass analysis was concerned to a biomass classification and an estimation of biomass quantity. Part of this thesis was a realization of mentioned analyses in the location of interest. The theoretical part of the work is devoted to a description of analyses, an explanation of terms and basic principles of vegetation display on satellite images from a view of studied characteristics. It is followed by a description of methods and procedures of processing. In the practical part selected analyses were solved in the Trkmanka basin. These analyses were based on an application of spectral indices and their evaluation. Indices were created using the Model Maker tool in the ERDAS IMAGINE software. Based on a fuzzy classification the evaluation of indices was provided. There were found a relative moisture, relative amount of biomass and estimation of biomass quantity. A dependence among them were studied using statistical indexes as a view of phenological phases so a view of kind of land use. Final results contain the summary of selected analyses, their characteristics and the dependence on each of the other. Moreover there are models in the GMD format, which are able to load in the Model Maker environment, map outputs and poster representing individual phases of the thesis.
46
Použitá literatura [ 1 ] ASNER, G. et al. Global synthesis of leaf area index observations: implications for ecological and remote sensing studies [soubor pdf]. Global Ecology & Biogeography 12, 2003, 191-205. [ 2 ] BLAŢEK, P. Současné změny v charakteru využití zemědělských ploch v Jihomoravském kraji [soubor pdf]. Brno: Přírodovědecká fakulta MU, 2008, 68 s., Diplomová práce. [ 3 ] BRODSKÝ, L. Objektově orientovaná fuzzy klasifikace krajinného pokryvu se zaměřením na zemědělskou krajinu [soubor pdf]. Praha, 6 s. [ 4 ] BROM, J. Odhady biomasy a produkce pomocí dálkového průzkumu Země [soubor pdf]. LAE ZF JU a ENKI o.p.s., 8 s. [ 5 ] DOBROVOLNÝ, P. Dálkový průzkum Země - Digitální zpracování obrazu. Brno: Přírodovědecká fakulta MU, 1998. 208 s. ISBN 80-210-1812-7. [ 6 ] EASTMAN, J. Idrisi32 Release 2: Guide to GIS and Image Processing, Volume 2 [soubor pdf]. Clark Labs, USA, 2001, 151 s. [ 7 ] ERDAS Field Guide [soubor pdf]. Leica Geosystems GIS and Mapping. 2005. 674 s. [ 8 ] ERDAS IMAGINE Tour Guides [soubor pdf]. Leica Geosystems GIS and Mapping. 2003. 636 s. [ 9 ] FOODY, G. et al. Mapping the biomass of Bornean tropical rain forest from remotely sensed data [soubor pdf]. Global Ecology and Biogeography, 2001, 10 s., 379-387. [ 10 ] FOODY, G. et al. Predictive relations forest biomass from Landsat TM data and their transferability between regions [soubor pdf]. Remote Sensing of Environment 85, 2003, 12 s., 463474. [ 11 ] HUANG, C. et al. Derivation of a Tasseled Cap Transformation based on Landsat 7 [soubor pdf]. USGS EROS Data Center, USA, 10 s. [ 12 ] JUAN, C. Understanding the relationships between land surfaře temperature and remote sensing indices using multivariate stepwise regression methods and remote sensing techniques [soubor pdf]. Taiwan, 2 s. [ 13 ] LEA, R. et al. Using the Tasseled Cap Transformation to identify change in the Missouri Ozark Forests [soubor pdf]. Columbia: University of Missouri, 12 s. [ 14 ] LEFSKY, M. Lidar Remote Sensing of Aboveground Biomass in Three Biomes [soubor pdf]. International Archive sof Photogrammetry and Remote Sensing, Volume XXXIV-3/W4, 2001, 6 s. [ 15 ] LILLESAND, T. M., KIEFER, R. W. Remote Sensing and Image Interpretation. New York, 1994. 750 s. [ 16 ] MATĚJKA, K. Assessment of tree layer biomass and structure using seriál photos in lake catchments of the Šumava Mts. [soubor pdf]. Journal of Forest Science 55, 2009, 63-74, 12 s. [ 17 ] MIKYŠKA, R. et al. (1968): Vegetace ČSSR – A2. Geobotanická mapa ČSSR (1. České země). Praha, Academia, 131 s. [ 18 ] MIŠTERA, L. (1999): Regionální geografie České republiky: socioekonomická geografie. Západočeská univerzita, Plzeň, 165 s.
47
[ 19 ] Model Maker, Function Definition [soubor pdf]. Leica Geosystems GIS and Mapping. 2003. 11 s. [ 20 ] NEDELJKOVIC Image classification based on fuzzy logic [soubor pdf]. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Science, Vol. 34. [ 21 ] MORAVEC, J. a kol. Fytocenologie. Academia, Praha, 1994, 403 s., ISBN 80-200-0457-2 [ 22 ] RAVAN, S. Biomass estimation using satelite remote sensing data – An investigation on possible approaches for natural forest [soubor pdf]. J. Biosci., Vol. 21, 535-561, 1996, 27 s. [ 23 ] SAMEC, P. Metody zpracování v lesnickém monitoringu. Lesnická práce, Kostelec nad Černými lesy, 2008, 132 s., ISBN 978-80-87154-24-3 [ 24 ] SLAVÍKOVÁ, J. Ekologie rostlin. SPN, Praha, 1986. [ 25 ] VLČEK, V. et al. Zeměpisný lexicon ČSR. Vodní toky a nádrže. Academia, Praha, 1984 [ 26 ] VOŢENÍLEK, V. Diplomové práce z geoinformatiky. Olomouc, 2002. 62 s. [ 27 ] VYSKOT, M. a kol. Základy růstu a produkce lesů. 1. vyd. Praha: SZN, 1971. 440 s. [ 28 ] WANG, L. Tasseled Cap Transformation [soubor pdf]. Mississippi State University, 2001, 1 s.
Elektronické zdroje [ 29 ] Biomasa [online]. © 2009 [cit. 2009-04-25]. Dostupný z WWW:
. [ 30 ] Co je to vlastně biomasa? [online]. © 2000 [cit. 2009-04-25]. Dostupný z WWW: . [ 31 ] Český statistický úřad [online]. © 2009 [cit. 2009-04-25]. Dostupný z WWW: . [ 32 ] Ekotony GIS [online]. © 2007 [cit. 2009-04-25]. Dostupný z WWW: . [ 33 ] ERDAS IMAGINE [online], © 1992–2008 [cit. 2008-10-10]. Dostupné z WWW: . [ 34 ] HONZÍK, R. Zmapování potenciálu lesní a zemědělské půdy Jihočeského kraje na energetické využití biomasy a jeho prostorové rozmístění [online, soubor doc]. Chomutov, 2003 [cit. 2009-0425], 13 s. Dostupný z WWW: [ 35 ] Landsat 7 Compositor [online]. © 2005 [cit. 2009-04-25]. Dostupný z WWW: . [ 36 ] Landsat 7 Program [online]. © 2009 [cit. 2009-04-25]. Dostupný z WWW: . [ 37 ] LANGHAMMER, J. Modelování s daty DPZ [online]. © 2006 [cit. 2009-04-25]. Dostupný z WWW: <www.natur.cuni.cz/~langhamr/lectures/vtfg2/prednasky/dpz_4/ DPZ_prednaska_4.pdf>. [ 38 ] NDWI [online]. © 2008 [cit. 2009-04-25]. Dostupný z WWW: . [ 39 ] NDWI [online]. © 2009 [cit. 2009-04-25]. Dostupný z WWW: < http://edo.jrc.ec.europa.eu/php/index.php?action=view&id=34>.
48
[ 40 ] Primární a sekundární produkce [online]. [cit. 2009-04-25]. Dostupný z WWW: . [ 41 ] QUINN, J. Band Combinations [online]. © 2001 [cit. 2009-04-25]. Dostupný z WWW: . [ 42 ] Response of Forest to Climatic Events and Human Management at Fort Leavenworth [online]. © 2002 [cit. 2009-04-25]. Dostupný z WWW: . [ 43 ] The Landsat Program: The Thematic Mapper [online]. © 2009 [cit. 2009-04-25]. Dostupný z WWW: [ 44 ] The Landsat Program: The Enhanced Thematic Mapper Plus [online]. © 2009 [cit. 2009-04-25]. Dostupný z WWW: [ 45 ] Trkmanka-CYKLOTRASY.cz [online]. © 2003 [cit. 2009-04-25]. Dostupný z WWW: . [ 46 ] SHORT, N. The Remote Sensing Tutorial [online]. © 2009 [cit. 2009-04-25]. Dostupný z WWW: . [ 47 ] Vegetační analýza v aridním prostředí prostředí [online, soubor pdf], [cit. 2009-04-25], 7.s. Dostupný z WWW: [ 48 ] Vodní režim rostlin [online]. [cit. 2009-04-25]. Dostupný z WWW: . [ 49 ] Eurimage [online]. © 2009 [cit. 2009-04-25]. Dostupný z WWW: . [ 50 ] GLCF: Earth Science Data Interface [online]. © 1997–2004 [cit. 2009-04-25]. Dostupný z WWW: .
49
Seznam příloh 1. Spektrální indexy pouţité pro klasifikaci vlhkosti vegetačního krytu 2. I. Spektrální indexy pouţité pro klasifikaci biomasy vegetačního krytu 3. II. Spektrální indexy pouţité pro klasifikaci biomasy vegetačního krytu 4. Model pro výpočet relativní vlhkosti 5. Model pro výpočet relativní biomasy 6. Vývoj relativní vlhkosti vegetačního krytu 7. Vývoj relativního mnoţství biomasy vegetačního krytu 8. Odhad mnoţství biomasy vegetačního krytu 9. Srovnání projevu vlhkosti a biomasy podle druhu vegetačního pokrytu 10. Odchylka od lineární závislosti mezi biomasou a vlhkostí vegetačního krytu 11. Poster (volná) 12. CD-ROM (volná)
50
